Компьютерное прогнозирование в финансовой сфере

Входные требования: Базовые знания в области больших данных, основ программирования и терминов сферы финансов

Зачетные единицы: 4

Курс: По выбору

Язык курса: Русский

Цели

В результате курса студенты научатся:

  • Использовать методы сбора и обработки больших объемов данных для решения актуальных научных задач, обрабатывать большие массивы данных в финансовой сфере
  • Основным подходам к построению прогностических моделей для финансовых процессов
  • Методам формального описания прогностических моделей в логике системного анализа
  • Методам научного программирования и организации работы с данными на языках MatLab, Python, R
  • Составлять прогноз на основании анализа больших данных в сфере финансовых рынков и формировать аналитические материалы
  • Владеть методами интерпретации результатов прогнозов, предметной валидации и верификации моделей

Содержание

  • Введение в теорию прогнозирования: Понятие прогнозирования. Виды прогнозов. Прогностический сценарий. Прогностическая способность. Заблаговременность. Точка невозврата и упреждение. Артефакты прогнозирования. Надмодельные операции.
  • Прогностические модели: Виды прогностических моделей. Причинно-следственные модели. Суррогатные модели. Гибридные модели. Data Driven Approach (модели на данных). Примеры прогностических моделей финансовых процессов.
  • Прогностические сценарии: Понятие прогностического сценария. Экстраполяция. Интервальный прогноз Чувствительность к параметрам. Вариабельность сценариев. Методы генерации альтернативных сценариев. Примеры приложений в финансовой сфере.
  • Усвоение данных в модели: Понятие усвоения. Усвоения в начальные условия. Статистическая коррекция - усвоение в результат прогноза. Усвоение в параметры модели. Методы усвоения. Схема Крессмана. VAR-методы усвоения. Фильтрация Калмана. Примеры приложений в финансовой сфере.
  • Ансамблевое прогнозирование и консенсус прогнозы: Понятие ансамбля. Ансамбль на начальных условиях. Ансамбль на альтернативных моделях. Достаточность и непротиворечивость ансамбля. Методы выращивания ансамбля. Идентификация параметров ансамбля на реальных данных. Консенсус-прогноз. Примеры приложений в финансовой сфере.
  • Заблаговременность и качество прогнозов: Валидация и верификация прогностических моделей. Опытная эксплуатация прогностических моделей. Критерии точности прогноза. Понятие заблаговременности. Статистические критерии оценки заблаговременности. Примеры приложений в финансовой сфере.
  • Контроль качества данных в моделях: Данные как объект метрологического анализа. Пропуски и засорения в данных. Статистические критерии качества данных по генеральной совокупности. Методы контроля качества данных, основанные на связности. Методы контроля качества данных, основанные на мере близости. Методы заполнения пропусков в данных.
  • Калибровка моделей на основе данных: Понятие калибровки. Калибровка как стационарное усвоение параметров. Выбор окна калибровки. Целевые функции калибровки. Численные методы оптимизации для решения задач калибровки. Многокритериальная калибровка и фронты Парето. Диаграммы Тейлора. Примеры приложений в финансовой сфере.
  • Адаптивные прогностические модели: Понятие о самообучении прогностических моделей. Окно памяти и забывания модели. Функции памяти модели. Рекурсивные методы пересчета коэффициентов моделей в ходе обучения. Понятие эталонной модели. Вероятностный мониторинг на основе моделей. Примеры приложений в финансовой сфере.

Формат

Лекции и лабораторные занятия

Оценка

Посещение лекционных и лабораторных занятий является обязательным. Итоговый контроль по дисциплине осуществляется в форме экзамена. Для успешного завершения курса студентам необходимо своевременно выполнять все задания на занятиях. Итоговая оценка зависит от работы студента на протяжении всего курса.